★251106 TSL - When Will The AI 'Bubble' Burst?★

1. 9월 출하량: 계절적 요인 상회 및 트렌드에 근접 9월 출하량 동향: 반도체산업협회(SIA) 데이터에 따르면, 9월 집적회로(메모리 제외) 출하량은 전월 대비 24% 증가했으며, 이는 일반적인 계절적 요인을 상회하는 수치였음. 이는 8월의 약세 이후에 나타난 현상임. 세그먼트별 현황: MPU, MCU, DSP를 제외한 모든 세그먼트의 출하량이 9월에 계절적 수준을 상회했음. 장기 수요 추적: 출하량은 현재 3개월 이동평균 기준으로 장기 수요 트렌드보다 4% 낮은 수준을 기록하고 있으며, 이는 8월의 7% 대비 개선된 것임. 업계 코멘트 일치: 지난 몇 달 동안의 개선 추세는 반도체 기업들이 최종 수요에 더 가깝게 출하하고 있다는 코멘트와 일치됨. 세부 세그먼트별 트렌드 (장기 수요 대비): IC (메모리 제외): 트렌드보다 3.7% 낮은 수준이며, 8월의 7.3%보다 개선됨. 아날로그(Analog): 트렌드보다 1.5% 낮은 수준이며, 8월의 6.1%보다 개선됨. MCU: 트렌드보다 24.8% 낮은 수준이며, 8월의 27.5%보다 개선됨. Exhibit 1: M/M% change in revenue, units and ASPs vs. historical levels가 정리 내용 바로 다음에 위치하는 것이 좋음....

AI 전력 확보 시급성 및 시장 기회 Powering AI: 시장 약세 속 기회 활용 최근 '전력 공급 시간(time to power)' 솔루션 제공업체들의 시장 약세는, 주요 AI 기업들의 전력 및 컴퓨팅 확보 시급성이 높아지는 현 상황과 일치하지 않음. 비트코인-데이터센터(DC) 전환에 대한 추가 분석 결과, 관련 거래의 경제성이 상승하고 있음이 나타남. 핵심 요약 '전력 공급 시간' 관련 주식의 최근 시장 약세는 펀더멘털 이슈를 반영한 것이 아님. 오히려 전력 확보의 시급성은 더 높아졌음. 많은 비트코인 채굴 기업 주식이 여전히 낮은 EV/watt 수준에서 거래되고 있으며, APLD 거래에서 나타난 가치 창출 사례를 확인함. APLD 거래 분석 결과, 순자산 가치 창출액은 $9/watt 이상으로, 최근 CIFR 거래의 ~$8.40/watt 수치를 상회함. 컴퓨팅 및 전력 접근성 부족으로 인해, 연료 전지/터빈, 비트코인 전환, 원자력 등 전력 확보를 위한 상당한 활동이 예상됨. 가장 매력적인 기회를 강조하는 최신 AI 인프라 가치 사슬 "히트 맵"을 제공함. Future of Energy (에너지의 미래) 2024년 1월, AI 역량의 급격한 성장에 필요한 전력에 대한 첫 번째 포괄적인 분석을 발표했음. 지난 몇 달간 데이터센터 성장을 위한 전력 확보 시급성이 가속화되는 징후가 나타났으며, AI의 비선형적 개선을 고려할 때 2026년은 더욱 활발할 것으로 보임. 주요 전력 "병목 현상 해소(de-bottlenecking)" 주식들이 2025년에 좋은 성과를 보였으나, AI 기업들에게 혁신적이고 시의적절하며 신뢰할 수 있는 전력 공급 접근 방식을 제공하는 기업들에게 지속적인 알파(alpha) 잠재력이 있다고 봄. 업데이트된 'Powering AI' 모델에 따르면, 최신 글로벌 반도체 판매량을 기준으로 2028년까지 미국의 총 전력 부족분은 45 기가와트(GW)에 달할 것으로 예상됨. 최신 'Powering Gen AI' 모델은 2025-28년 동안 총 45 GW의 전력 병목 현상을 시사함 (이는 일반적인 그리드 상호연결 프로세스에 의존하지 않는 혁신적인 '전력 공급 시간' 솔루션을 고려하기 전 수치임). 천연가스 터빈 거래가 추가로 15-20 GW의 전력을 공급할 수 있음. 블룸 에너지(BE)는 5-8 GW의 전력을 제공할 수 있음 (BE가 연간 생산 능력을 3 GW로 늘리는 강세 시나리오에서는 더 많을 수 있으며, 이는 과소평가된 가능성임). 운영 중인 원자력 발전소를 활용한 원자력 DC 거래는 5-15 GW를 제공할 수 있음. 미국 비트코인 기업들은 확고한 그리드 상호연결 계약을 맺은 100 MW 이상의 대규모 사이트를 거의 20 GW 보유하고 있음. 비트코인 사이트는 AI 기업들에게 가장 빠른 전력 공급 시간과 가장 낮은 실행 위험을 제공하며, 이 가치는 점점 더 인정받을 것으로 보임. 블룸 에너지(BE) 역시 매력적이고 신뢰성 높은 '전력 공급 시간' 솔루션으로, 빠른 물량 성장을 견인할 것임. 이 두 가지 솔루션(연료 전지, 비트코인 전환) 외에도, 상업용 전력 회사, 터빈 제조업체, 에너지 회사 등을 포함한 "모든 가능한(all of the above)" '전력 공급 시간' 거래가 나타날 것으로 예상됨. 비트코인 채굴 사이트를 HPC(고성능 컴퓨팅) 데이터센터로 전환하는 것과 관련된 가치 창출 수학은 시장에서 잘 이해되지 않고 있음. 프로젝트 자금 조달부터 궁극적인 "REIT 엔드 게임"까지의 가치 창출 사례를 제시함. 장기 임대 계약을 맺은 HPC 데이터센터는 REIT 구조 내에서 보유될 가능성이 높으며, 이는 구조적 이점과 함께 인프라 투자자들에게 적합한 (더 낮은) 자본 비용을 유치할 수 있음. 이 사례에서는 네오클라우드(neocloud) 대상 장기 임대와 하이퍼스케일러(hyperscaler) 대상 장기 임대의 두 가지 시나리오를 개발함. 2025년 10월 22일에 발표된 Applied Digital(APLD)과 익명의 "투자 등급 하이퍼스케일러" 간의 거래 조건을 삽입하여, 최신 거래 경제성에 기반한 잠정적인 지분 가치를 제시함. (표) Exhibit 1: Analysis of the Value Creation Relating to the Bitcoin-to-DC Transactions Between Applied Digital and an Unnamed "Investment Grade Hyperscaler" 이 분석에 대한 몇 가지 의견: 첫째, 네오클라우드와 하이퍼스케일러 간의 거래는 프로젝트 미상환 현금 흐름 수익률 및 레버리지 용량에서 상당한 차이가 있다고 봄. 가정한 레버리지 수준(비용의 66%)은 보수적일 가능성이 높음. 전문가들에 따르면 투자 등급 임차인과의 거래 레버리지는 80%를 초과할 수 있음. 이러한 프로젝트를 데이터센터 REIT에 매각할 때의 EV/EBITDA 밸류에이션에도 불확실성이 존재함. 하이퍼스케일러가 보증하는 프로젝트는 더 높게 평가될 것이며, 이를 네오클라우드 프로젝트 대비 2.5턴의 프리미엄으로 반영함. 상장된 데이터센터 REIT는 20배 이상의 EV/EBITDA에서 거래됨. 결과적으로 암시된 ~$8.50/watt의 가치 창출은 많은 비트코인 채굴 주식의 거래 수준을 훨씬 상회함. (모건 스탠리는 Cipher Mining Inc("Cipher")가 Fluidstack과의 코로케이션 계약(9월 25일 발표) 관련 재정 자문을 맡고 있음. 이 계약으로 Cipher는 168 MW의 IT 부하를 제공하며, Alphabet, Inc.가 Fluidstack의 임대 의무 중 14억 달러를 보증하고 Cipher 보통주 약 2,400만 주를 인수할 수 있는 워런트를 받게 됨. 이 거래는 관례적인 종결 조건의 적용을 받음.) 여러 비트코인 경영진과 미팅 결과, 전반적인 논지에 대해 긍정적인 견해를 갖게 됨. AI 커뮤니티가 전력 접근성 및 신속한 '파워드 셸(powered shell)' 건설을 확보하려는 시급성이 증가한 것으로 보임. 과거에는 장기화되고 탐색적 논의가 포함되었을 고객과의 많은 논의가 이제는 더 강도 높게, 그리고 성공적으로 합의에 이를 것이라는 일반적인 견해 하에 진행되고 있음. 하이퍼스케일러, 네오클라우드 및 기타 고객들을 위한 파워드 셸 건설 자금 조달 접근 방식을 개발함에 있어, 신용도 높은 당사자의 ...

AI 도입과 일의 미래(AI Adoption and the Future of Work) S&P 500 기업의 AI 도입 이점을 평가하기 위한 새로운 분석 프레임워크가 개발됨. 그 결과 약 9,200억 달러의 장기적인 이익 창출 잠재력이 확인되며, 이는 장기 시장 가치 창출 잠재력으로 13조~16조 달러에 해당될 수 있음. 전체 직업의 약 90%가 AI 자동화 및 증강에 의해 일정 부분 영향을 받을 것으로 평가됨. 일의 미래(Future of Work)와 일자리 창출 및 소멸 잠재력에 대한 평가가 포함됨. 세전 이익 대비 AI 가치 창출 잠재 시장(TAM)이 높은 산업군은 소비자 필수재 유통/소매, 부동산 관리 및 개발, 운송, 헬스케어 장비 및 서비스로 분석됨. AI 역량이 예상대로 빠르게 개선될 경우, AI 도입으로 인한 가치 창출 규모는 현재 추정치를 상회할 것으로 전망됨. AI 도입 이점 극대화 및 핵심 AI 인프라 제공 능력에 초점을 맞춘 다양한 테마 투자 전략이 개발됨. Why Is Our Al Adoption Work Relevant to Investing Now? 기업 AI 도입이 변곡점에 도달하는 징후가 최신 AI 매핑 업데이트를 통해 포착됨. 최신 AI 매핑 분석의 5가지 시사점은 다음과 같음: (1) AI 노출도 및 중요성이 광범위하게 확대되어 수조 달러 규모에 달함. (2) AI 중요도가 높은 기업에서 상대적 주가 성과 및 이익 추정치 상향 조정을 통해 알파(Alpha) 창출의 명확한 신호가 나타남. (3) 이번 라운드에서 AI의 '변화율' 승자는 소비자 및 부동산 부문임. (4) 금융 부문에서 AI 노출도가 크게 증가함. (5) 지역적으로 아시아 태평양 지역이 가장 두드러진 선두 주자로 나타남. AI 역량 개선 속도는 비선형적이라는 강력한 증거가 있으며, 투자자들이 이 역학을 과소평가하고 있는 것으로 보임. Agentic AI 작업 지속 시간 (복잡성의 대리 지표)은 7개월마다 두 배로 증가하고 있음. AI 역량이 비선형적인 속도로 계속 개선될 경우, AI 도입으로 인한 가치 창출 규모는 이미 높은 추정치를 넘어설 것으로 예상됨. How Does Our Work Impact Our Top-Down US Equity Strategy View? Morgan Stanley의 US Equity Strategy팀은 AI 기반 가치 창출 및 효율성 측면에서 헬스케어 장비 및 서비스, 운송, 소비자 서비스, 소프트웨어 및 서비스, 자본재, 자동차 및 부품, 소비자 필수재 유통 및 소매 부문이 상대적으로 더 큰 잠재적 기회를 가진 것으로 판단됨. 또한, 산업재는 저평가된 구조적 수혜자로 간주되며, 이는 비중 확대 의견을 지지함. Expected Best Practices for Al Adoption 성공적인 기업의 AI 도입 모범 사례가 제시됨. 이중 초점 - 효율성 및 혁신: 성공적인 기업은 AI를 반복적인 프로세스 자동화(비용 절감, 오류 감소)와 팀 역량 증강(제품 혁신 및 매출 촉진)을 위한 전략적 양방향 지렛대로 활용함. 인력 증강: AI를 직원 역량 강화를 위한 도구로 강조하며, AI가 단순 반복 작업을 처리하고 인간은 고부가가치 업무에 집중하도록 워크플로우가 재설계됨. 이 접근 방식은 사기 및 조직 지식을 유지하면서 생산성을 높이는 것으로 평가됨. 인재 및 거버넌스 구축: 기업은 대규모 AI 지원을 위해 인력 및 프로세스에 투자함. 이는 인력 재교육 및 AI 모델 관리자, 데이터 거버넌스 리드와 같은 새로운 역할 채용을 포함함. 동시에, 책임 있는 사용을 위해 강력한 AI 거버넌스가 확립됨. 긴급성과 목적을 가지고 행동: AI 도입이 변곡점에 도달하고 있으며, 선두 주자는 지속적인 경쟁 우위를 확보할 수 있음. 공급망 최적화, 개인화 마케팅 또는 핵심 운영의 지능형 자동화와 같은 영향력이 큰 영역에서 AI 솔루션 시범 운영이 즉시 시작됨. 성공적인 기업은 효과가 입증된 것을 전사적으로 신속하게 확장함. What We Will Cover in This Presentation 본 발표에서 다룰 내용은 다음과 같음 AI 도입 분석 및 투자 시사점 AI 개선의 비선형적 속도 테마 투자 프레임워크 관점에서 본 AI 도입 일의 미래에 대한 시사점 고려해야 할 위험 요소 AI 도입 분석 및 투자 시사점 The Importance of the Anthropic Economic Index Anthropic Economic Index는 AI가 노동 시장 및 광범위한 경제에 미치는 영향을 시간이 지남에 따라 이해하는 것을 목표로 함. 이 지수는 AI가 현대 경제 전반의 실제 작업에 어떻게 통합되고 있는지에 대한 가장 명확한 그림을 제공함. 방법론은 'Claude insights and observations (Clio)'라는 자동 분석 도구를 사용하여 Claude와의 약 100만 건의 대화 데이터셋에 적용됨. Clio는 사용자 개인 정보를 보호하면서 대화를 직업별 작업으로 정리하는 데 사용됨. 이는 미국 노동부의 약 20,000개 특정 작업 데이터베이스인 O*NET과 연계됨. Clio는 각 대화를 O*NET 작업 중 AI의 역할을 가장 잘 나타내는 작업과 일치시킴. 그런 다음 O*NET 체계에 따라 작업을 해당 직업으로 그룹화하고, 이를 다시 교육 및 도서관, 비즈니스 및 금융 등과 같은 상위 범주로 분류함. Agentic Al Adoption Methodology Agentic AI 도입 방법론이 설명됨. 이 방법론은 Anthropic Economic Index를 통해 작업자가 AI를 활용하는 작업 종류를 파악하고, O*NET Database를 통해 작업과 연관된 직업을 확인하며, Linkup 기업별 채용 공고 데이터 및 애널리스트 의견을 통해 S&P 500 기업의 직업 구성 비율을 분석함. 여기에 미국 노동통계국(BLS) 데이터를 통해 각 직업의 평균 급여를 반영함. Agentic AI를 통한 가치 창출 잠재 시장(Value Creation TAM)은 (기업당 평균 AI 자동화율) x (총 직원 수) x (직원 중앙값 급여)로 계산됨. 차트 제목: Agentic Al Adoption Methodology Embodied Al Adoption Methodology Embodied AI 도입 방법론이 설명됨. 이 방법론은 Morgan Stanley Research의 Embodied AI 및 휴머노이드 분석을 통해 Embodied AI로 자동화될 수 있는 직업을 식별하고, Linkup 기업별 채용 공고 데이터 및 애널리스트 의견을 통해 S&P 500 기업의 직업 구성 비율을 분석하며, 미국 노동통계국(BLS) 데이터를 통해 각 직업의 평균 급여를 반영함. Embodied AI를 통한 가치 창출 잠재 시장(Value Creation TAM)은 (기업당 평균 AI 자동화율) x (총 직원 수) x (직원 중앙값 급여)로 계산됨. Factoring in AI Implementation Costs: Agentic AI Agentic AI의 구현 비용은 고객 가치 창출의 5%로 가정됨. 이는 생산성 향상분의 1%에서 10% 사이에서 논의되는 소프트웨어 기업의 일반적인 가격 책정 범위를 바탕으로 한 수준임. 실제로는 기존 공급업체들이 기술 주기 동안 경쟁업체를 견제하기 위해 Agentic 솔루션의 가격을 더 공격적으로 책정하는 모습이 관찰됨. GitHub Copilot의 '가치 포착(value capture)'은 분석에 사용된 5% 가정치보다 낮은 것으로 보임. ServiceNow 및 Atlassian 같은 공급업체들은 Agentic 기능을 핵심 솔루션에 내장한 후 도입이 증가하면 수익을 창출할 계획임. Factoring in AI Implementation Costs: Embodied AI 미국 공장 내 AI 강화 로봇의 시간당 총 비용(fully loaded cost/hour)에 대해 여러 시나리오가 개발되었으며, 본 분석에서는 보수적인 추정치인 시간당 5달러가 사용됨. 이 비용은 미국 공장 근로자의 평균 임금인 시간당 36달러와 비교됨. 미국 제조업 부문에서 휴머노이드 로봇의 보급률이 20%에 도달할 경우, 미국의 총 제조 비용(fully landed manufacturing costs)이 중국과 동등해질 것으로 전망됨. AI Value Creation TAM as a % of 2026e Adj/ Pretax Income AI 도입 이점의 잠재 시장(TAM) 규모는 Agentic (소프트웨어 기반) AI와 Embodied (물리적 세계의 AI, 주로 로봇) AI 간에 거의 균등하게 분할됨. 이러한 총 TAM은 S&P 500 기업의 2026년 예상 조정 세전 이익의 25% 이상에 해당됨. Sector-Level AI Adoption TAM as a % of 2026e Adj. of Pretax Income) 장기적인 AI 도입 경제적 가치 창출 잠재력은 세전 이익 대비, 소비자 필수재 유통/소매, 부동산 관리 및 개발, 운송, 헬스케어 장비 및 서비스 산업군에서 가장 높은 것으로 분석됨. Thematic-Level AI Adoption TAM as a % of 2026e Adj. Pretax Income AI 도입 이점은 테마별 수준에서도 평가되었으며, 가장 매력적인 것으로 평가된 범주에는 생명 과학 분야 일부, 전력 인프라(탄소 포집 포함), 식품 및 음료의 미래 등이 포함됨. Our AI Adoption Value Creation Analysis Is Conservative, In Our View AI 도입으로 인한 경제적 가치 창출 잠재력을 평가하는 기초로 직업별 자동화 잠재력의 비율이 사용됨. 이 가치 창출은 단순히 인간을 AI로 대체하는 것만을 의미하지 않으며, (1) 수익 창출과 관련성이 낮고 창의성이 낮은 직업에서의 일자리 감소와 (2) AI로 인한 신규 채용, 경제 성장, 새로운 제품 및 서비스 개발로 인한 일자리 창출이 혼합되어 나타남. 분석은 보수적인 것으로 판단됨. 그 이유는 향후 AI 역량의 비선형적 개선이 반영되지 않았고, AI에 의해 자동화될 수 있는 직원의 비례적 비용만을 측정 기준으로 사용했기 때문임. 직원들이 AI를 통해 더 높은 부가 가치 업무를 수행하는 데 더 많은 시간을 할애하게 되어, 단순한 인건비 절감 측정을 초과하는 가치를 창출할 것으로 예상됨. AI 개선의 비선형적 속도(The Non-Linear Rate of AI Improvement) (Why Do We Have an Entire Section Devoted to the Rate of AI Improvement? AI 개선의 비선형적 속도는 많은 투자자, 경영진 및 정책 입안자들에게 과소평가되고 있다고 판단됨. 이 역학 관계를 완전히 반영하여 AI 도입의 함의를 평가하면 상당한 알파(Alpha)를 창출할 수 있음. AI 역량의 비선형적 개선 속도가 계속될 경우, AI 도입의 '가치 창출 TAM' 규모는 크게 증가할 것임. 이는 우수한 가격 결정력을 가진 AI 도입 기업들 사이에서 더 큰 가치 창출, 전력(power)을 포함한 AI 인프라 병목 현상 해결을 위한 긴급성 증가, AI 구현 기업들(AI Enablers)의 AI 자본 지출 대비 더 높은 투자수익률(ROIC)로 이어짐. An Example: Agentic AI Agentic AI의 비선형적 개선 속도에 대해 낙관적인 입장임. 독립적인 AI 평가 기관의 분석에 따르면, AI 성능을 측정하는 'AI 에이전트가 완료할 수 있는 작업의 길이'는 지난 6년 동안 일관되게 7개월마다 두 배로 증가함. 이러한 추세를 외삽하면, 5년 이내에 현재 인간이 며칠 또는 몇 주가 걸리는 소프트웨어 작업의 상당 부분을 독립적으로 완료할 수 있는 AI 에이전트가 등장할 것으로 예측됨. "Situational Awareness”: Data Showing AI’s Non-Linear Improvement Rate Leo Aschenbrenner가 2024년 6월에 발표한 에세이 "Situational Awareness"의 내용이 인용됨. 이 에세이는 AI 역량 개선의 비선형적 속도를 보여줌. GPT-2에서 GPT-4로의 발전과 같은 질적 도약을 초래하는 약 10만 배의 효율적인 컴퓨팅 규모 증가가 4년 동안 예상됨. 이러한 급격한 발전은 단순히 더 나은 챗봇이 아닌, 인력 대체품과 유사한 에이전트(agents)로의 전환을 의미함. 이러한 도약은 박사 학위 소지자만큼 스마트하여 동료로 함께 일할 수 있는 AGI(인공 일반 지능)로 이어질 수 있음. 또한, AI 시스템이 AI 연구 자체를 자동화할 수 있다면, 이는 강력한 피드백 루프를 작동시킬 것으로 예상됨. 비선형적 AI 개선 속도에 대한 두 가지 예시 [Two Exhibits from Leo Show the Non-Linear Rate of AI Improvement] Leo Aschenbrenner의 "지능 폭발" 시나리오 AGI(인공일반지능)에 도달하면 단 하나의 AGI만 존재하는 것이 아니라, 추론 GPU 플릿을 통해 수백만 개의 AGI(1억 명의 인간과 동등한 수준, 곧 인간 속도의 10배 이상)를 실행할 수 있게 됨 AGI가 사무실을 돌아다니거나 커피를 만들 수 없더라도, 컴퓨터에서 ML(머신러닝) 연구를 수행할 수 있음 이는 선도적인 AI 연구소의 연구자 및 엔지니어 수백 명 대신 10만 배 이상의 인원이 밤낮으로 알고리즘 혁신에 열중하는 상황을 의미함 이는 재귀적 자기 개선을 일으키지만, 공상 과학 소설이 필요하지 않으며, 단지 기존의 알고리즘 발전 추세를 가속화할 뿐임 Leo Aschenbrenner 예측에 대한 최근 평가 2024년 6월에 발표된 Leo Aschenbrenner의 예측에 대한 최근의 독립적인 연구자 평가가 있었음 이 데이터는 알고리즘 및 후기 훈련 개선을 고려할 때 Aschenbrenner의 핵심 주장이 대체로 지지됨을 보여줌 현재의 전력, 메모리, 냉각 제약이 완화되고 대규모 기업 투자가 계속된다면 Aschenbrenner의 예측 시간표는 타당함 LLM 성능의 최근 추세: 인류의 마지막 시험 (Humanity’s Last Exam, HLE) 'Humanity’s Last Exam (HLE)'은 광범위한 학문적 역량을 측정하기 위해 수십 개 주제 영역에서 2,500개의 매우 도전적인 질문으로 구성된 벤치마크이며, LLM이 계속 개선됨에 따라 역량을 정밀하게 측정하도록 개발됨 2025년 4월 Llama 4가 출시되었는데, 불과 4개월 만에 선도적인 LLM인 GPT-5 High는 '추론 및 지식' 테스트에서 Llama 4 대비 약 5배 향상된 성능을 보임 초인적인 AI 사례: 의료 진단 Microsoft가 2025년 6월에 발표한 “The Path to Medical Superintelligence”에 따르면, AI는 인간 수준을 능가하는 생명 과학 역량을 보여줌 AI는 전문가 의사도 답변하기 어려운 의학에서 가장 복잡한 진단 문제를 순차적으로 조사하고 해결할 수 있음 실제 사례 기록을 벤치마킹한 결과, Microsoft AI 진단 오케스트레이터(MAI-DxO)는 뉴잉글랜드 의학 저널(NEJM) 사례의 최대 85%를 정확하게 진단하며, 이는 숙련된 의사 그룹보다 4배 이상 높은 비율임 MAI-DxO는 의사보다 더 비용 효율적으로 정확한 진단에 도달함 급속한 자기 개선을 초래할 수 있는 LLM 설계의 두 가지 예시 AI 기반 생명 과학 발전 사례 (최근 2주) 유방암 진단 정확도 향상 AI가 기존의 이중 방사선과 의사 검토 방식보다 더 많은 종양을 ...

에너지 지배력 강화를 위한 모든 에너지원의 활용 필요성 미국이 급증하는 전력 수요를 충족시키고 AI 경쟁에서 우위를 점하기 위해서는 효율성, 신뢰성, 경제성에 중점을 두고 모든 에너지원을 활용해야 함. 에너지 지배력 확보를 위한 신속한 조치 트럼프 행정부는 취임 후 9개월 동안 미국의 에너지 생산, 사용, 수출 방식을 신속하게 재편하고 있음. 트럼프 대통령은 취임 첫날 에너지 지배력을 증진하기 위한 일련의 행정명령에 서명함. 크리스 라이트 에너지부 장관은 저렴하고 신뢰할 수 있으며 안전한 에너지 공급을 목표로 발표함. 이 목표 달성을 위해 화석 연료가 우선시되고 있음. 여기에는 더 많은 연방 토지를 시추에 개방하고, 액화천연가스(LNG) 프로젝트를 신속히 처리하며, 30개 이상의 환경 규제를 철회하는 조치가 포함됨. 원자력 및 지열과 같은 일부 청정 에너지 기술 또한 행정부의 핵심 에너지 전략에 포함되어 인센티브와 규제 간소화를 받고 있음. 그러나 다른 청정 에너지원들은 더 큰 어려움에 직면함. 지난 7월 의회는 OBBBA(One Big Beautiful Bill Act)를 통과시켜 풍력, 태양광, 전기차(EV), 수소 등 기술에 대한 세액 공제 혜택을 대폭 축소함. AI 경쟁 우위 확보를 위해 모든 에너지원이 요구됨 트럼프 행정부의 미국 에너지 지배력 비전이 모든 형태의 에너지를 포함하지 않을 수 있으나, AI 경쟁에서 승리하려는 목표는 분명히 모든 에너지원을 요구함. AI 기반 데이터 센터의 전력 수요는 이번 10년 동안 급증하여 2030년까지 국가 전력 수요의 10%를 초과할 것으로 예상되며, 이는 현재 4%에서 증가한 수치임. 이러한 수요를 충족시키기 위해 미국은 이용 가능한 모든 에너지원을 실용적으로 활용해야 함. 공급망 제약, 장비 비용 상승, 그리고 일부 경우 불리한 경제성 때문에 화석 연료만으로는 이 수요를 충족시킬 수 없음. 따라서 태양광과 풍력은 전력 용량 확대에 도움이 될 수 있지만, 그 기여도는 이전에 예상했던 것보다 제한적일 것임. 원자력과 지열의 역할도 시간이 지남에 따라 증가할 것임. 장기적으로 청정 에너지에 투자하는 것은 이미 많은 기술의 제조 및 수출을 지배하는 중국에 대한 미국의 경쟁력을 유지하는 데 도움이 될 수 있음. 천연가스 및 석탄의 용량 증설 제약 AI 기반 데이터 센터의 에너지 수요는 전력 부문에 막대한 압력을 가하고 있음. 이러한 문제에 대응하기 위해 전력 부문은 설치 용량을 확장하고, 송전망을 업그레이드하며, 유연성을 높여야 함. 단기적으로 천연가스와 석탄은 적절한 공급을 제공하는 데 더 큰 역할을 할 수 있지만, 이 두 에너지원만으로는 충분하지 않을 것임. AI 성장을 위한 선호 발전원으로서 천연가스 천연가스는 낮은 비용과 중단 없는 전기 공급 능력 덕분에 AI 성장에 필요한 전력 공급을 위한 선호 발전원으로 부상함. 하지만 천연가스 발전 용량을 늘리려는 목표는 큰 도전에 직면함. 이번 10년 말까지 유틸리티 규모의 복합 화력 가스터빈(CCGT) 생산 백로그가 발생하여 가스 발전 비용이 상승함. Rystad Energy 관측에 따르면, 일반적인 CCGT 발전소의 자본 지출(capex)은 2025년 1분기 이후에만 $2,500/KW를 빈번하게 초과함. 이는 2023-24년 $1,200-1,600/KW, 2015년에서 2022년 사이 7년 동안 $800-1,000/KW였던 것보다 상승한 수치임. 구매자들이 프리미엄 지불 의향을 유지함에 따라 capex는 계속 상승 압력을 받고 있음. 사업 확장을 서두르는 데이터 센터 회사들은 단순 사이클 가스터빈(simple-cycle gas turbines, 항공 유도 터빈 포함) 및 왕복 엔진(reciprocating engines)과 같은 대안으로 눈을 돌리고 있음. 이러한 대안들은 효율성은 낮지만, AI의 운영 전력 요구사항을 충족시키기 위해 신속하게 용량을 높이거나 낮출 수 있는 더 작고 민첩한 시스템임. 이로 인해 AI 훈련 데이터 센터의 CCGT 부족을 단기적으로 완화할 수 있으나, 가스 발전 전력은 여전히 원하는 공급량에 미달할 것으로 예상됨. 석탄 산업 재활성화 노력 행정부는 최근 석탄 화력 발전소 개조 및 재가동을 돕기 위해 6억 2,500만 달러의 자금 지원을 발표하며 석탄 산업을 재활성화하는 것을 목표로 함. 이는 특히 전력 수요 증가와 천연가스 및 재생 에너지로부터의 용량 증설 제약 상황에서 석탄 자산의 수명을 연장시킬 것임. 올해 미국 석탄 생산량은 6% 이상 증가함. 또한, 여러 석탄 화력 발전소들이 예상 은퇴 시점을 넘겨 계속 가동되고 있음. Expected vs. realised power capacity retirements for 2Q 2025 Gigawatts (GW) 석탄은 여전히 구조적 쇠퇴 상태에 있으며, 행정부의 지원 정책으로도 전성기를 되찾기는 어려울 것임. Lazard에 따르면, 미국 내 석탄의 균등화 발전 비용(LCOE)은 현재 약 $71-173/MWh로, 복합 화력 가스터빈 천연가스의 $48-109/MWh와 배터리 저장장치를 갖춘 유틸리티 규모 태양광의 $50-131/MWh보다 높음. 석탄의 노후화된 인프라를 ...

Global Datacenter Supply/Demand update: Tight conditions likely to persist into 2026 + Read-across for Power, Hardware, and Industrial Tech / Engineering 글로벌 데이터센터 수급 업데이트 개요 및 핵심 업데이트 글로벌 데이터센터 수급 모델 업데이트 결과, 타이트한 시장 상황이 2026년까지 지속될 것으로 전망됨. 이는 이전 예측치(2025년 말) 대비 데이터센터 점유율 정점 시점이 2026년까지 연장된 것을 의미함. 2027년부터는 수급 균형이 완만하게 풀릴 것으로 예측되나, 전력 공급 증가 속도 대비 현재의 수요 증가 수준을 고려할 때 장기적으로 점유율이 상향될 잠재력이 존재함. 중요한 불확실성 요소로는 하이퍼스케일러의 AI 추론 수익화 지속 여부, Open AI의 Stargate와 같은 대규모 AI 인프라 프로젝트로 인한 공급 차질 가능성, 엔터프라이즈 애플리케이션을 목표로 하는 소규모 LLM 배포의 수요 최적화 잠재력 등이 있음. 업데이트된 모델에는 지난 분기 동안의 수요 및 공급 추정치 변화가 반영됨. 수요 측면에서는 Nvidia 및 Broadcom의 데이터센터 매출, 하이퍼스케일러의 클라우드 매출 증가에 기반하여 수요 성장 예측치가 상향 조정됨. 공급 측면에서는 451 Research의 업데이트와 소규모 데이터센터 운영자 추가 추적을 반영하였음. 장기적으로 2030년까지의 공급 추정치는 9% 증가했으며, 이는 Homer City 2 GW, Oracle 500 MW, 하이퍼스케일러 5.6 GW 등 증분 계획된 용량 프로젝트 추가에 주로 기인함. 수급 균형 및 시나리오 분석 수정된 수급 업데이트를 반영한 기본 전망에서, 2025년 공급 충분도는 92%로 이전과 동일함. 2026년과 2027년의 공급 충분도는 각각 92%로 이전 예측치 대비 평균 2% 증가함. 장기적으로 2030년의 공급 충분도는 89%로, 이전 모델 대비 1% 증가함. 이로 인해 데이터센터 공급 충분도의 정점 시기가 기존 2025년 말에서 2026년으로 연장된 것으로 판단됨. 시장 점유율은 지난 18개월간 관찰된 평균 수준에서 안정화될 것으로 예측됨. 주요 시나리오별 점유율 변화 전망은 다음과 같음: AI 상승 시나리오: 2030년까지 점유율이 17%p 상승하여 활용률이 100%를 초과할 가능성이 있음. 클라우드 하락 시나리오: 점유율이 4%p 하락함. 초과 공급 시나리오: 데이터센터 운영자가 예상보다 더 많은 용량을 확보할 경우 점유율이 8%p 하락함. 데이터센터 수요 전망 및 주요 성장 동인 향후 5~6년간 글로벌 데이터센터 시장 수요는 크게 증가하며, 생성형 AI의 급속한 확장으로 인해 워크로드 구성에 극적인 변화가 발생함. 현재(2025년 3분기 기준) 글로벌 시장 수요는 약 69 GW로 추정됨. 현재 워크로드 구성은 클라우드 58%, 전통 워크로드 27%, AI 워크로드 14% (훈련 및 추론 포함)로 구성됨. 2027년까지 전체 데이터센터 시장 수요는 45% 증가하여 100 GW에 이를 것으로 예측됨. 이때 워크로드 구성은 AI 30%, 클라우드 50%, 전통 워크로드 20%로 변화될 전망임. 향후 5~6년간 AI 및 클라우드 워크로드가 데이터센터 수요를 가장 크게 견인할 것으로 예상됨 (4Q25-4Q30 5년 CAGR: AI 32%, 클라우드 9%, 전통 워크로드 2%). 수요 위험 요인 AI 워크로드 수요 성장의 지속 가능성이 주요 논쟁 요소임. AI 하락 시나리오에서는 AI 워크로드 성장이 기본 사례보다 저평가될 경우, 2027년에 약 7 GW의 수요 차이가 발생할 것으로 추정됨. 클라우드 하락 시나리오에서는 하이퍼스케일러의 클라우드 데이터센터 워크로드 성장이 둔화될 경우, FY27년까지 기본 사례 대비 2 GW의 수요 차이가 발생함. Exhibit 3: "AI 하락" 수요 성장 시나리오 & Exhibit 4: "클라우드 하락" 수요 성장 시나리오 데이터센터 공급 현황 및 글로벌 공급 성장 전망 현재 글로벌 데이터센터 시장 용량은 약 75 GW로 추정됨. 용량 구성은 하이퍼스케일러 + 클라우드 및 제3자 도매 데이터센터 운영자 73%, "전통적인" 기업 및 통신사 운영 워크로드 27%로 이루어짐. 아시아 태평양 및 북미 지역이 현재 가장 많은 데이터센터 전력 및 면적을 보유하고 있음 (버지니아 북부, 베이징, 텍사스, 상하이 등). Exhibit 5: 2025년 공급자 유형별 데이터센터 공급 Exhibit 6: 순수 UPS 전력 점유율이 가장 큰 지역 시장 향후 5~6년간 AI 워크로드를 지원하는 고밀도 데이터센터 수요에 따라 대규모 공급 성장과 평방피트당 전력 증가가 예측됨. 2030년 말까지 약 150 GW의 데이터센터 용량 (8억 3,900만 평방피트)이 온라인 상태가 될 것으로 추정되며, 이는 ~15%의 6년 CAGR에 해당됨. 이러한 공급 내에서 데이터센터 구성은 클라우드 워크로드 쪽으로 더욱 편중될 것으로 예상됨 (현재 ~73%에서 2030년 ~79%로 하이퍼스케일 + 도매 데이터센터 비중 증가). 전력 밀도는 2027년에 평방피트당 157와트에서 169와트로 증가할 것으로 추정됨. 제시된 용량 수치는 "임대 가능 용량"을 의미하며, 냉각 및 인프라 기능을 위해 필요한 추가적인 전력 오버헤드 20%~40%는 제외됨. Exhibit 7: 하이퍼스케일러 자본 지출 추세 Exhibit 8: 워크로드 유형별 데이터센터 공급 전망, 2025-27 & Exhibit 9: 용량 수준별 데이터센터 공급 세부 시나리오별 공급 충분도 전망 기본 사례 외에, 데이터센터 수급 균형에 영향을 미치는 주요 시나리오별 전망은 다음과 같음. AI 하락 시나리오 ("AI downside" demand scenario) AI 워크로드 수요 증가율이 기본 사례 대비 저평가되는 상황을 모델링함. 2025년부터 2030년까지 AI 워크로드 수요 증가율을 20% 하향 조정함. 이로 인해 전체 수요의 3년 CAGR(2025년 1분기~2028년 1분기)은 기본 사례의 17% 대비 15%로 낮아짐. 2030년에는 기본 사례 대비 약 9%p의 공급 충분도 차이가 발생함. 이는 전력 수요 측면에서 13 GW의 차이를 의미함. Exhibit 14: "AI downside" 시나리오 예상 공급 충분도 클라우드 하락 시나리오 ("Cloud downside" demand scenario) 클라우드 데이터센터 워크로드 성장률이 기본 사례보다 둔화되는 상황을 모델링함. 2025년부터 2030년까지 클라우드 워크로드 수요 성장을 20% 하향 조정함. 2030년에는 기본 사례 대비 4%p 이상의 공급 충분도 하락이 예상됨. 이 시나리오가 "AI 하락" 시나리오 대비 수급에 미치는 영향은 덜 극심함. Exhibit 15: "Cloud downside" 성장 시나리오 예상 공급 충분도 초과 공급 시나리오 ("Excess supply" scenario) 데이터센터 운영자가 기본 사례 예상치보다 더 많은 용량을 확보할 수 있는 상황을 모델링함. 수요 변화는 없다고 가정하고, 2030년까지 기본 사례 대비 14 GW의 추가 용량이 공급될 것으로 가정함. 2030년에는 기본 사례 대비 약 8%p의 공급 충분도 하락이 예상됨. Exhibit 16: "초과 공급" 시나리오 예상 공급 충분도 AI 상승 시나리오 ("AI upside" demand scenario) 차세대 GPU가 현재 예상보다 더 많은 전력을 요구하거나, AI 워크로드 수요가 더 빠르게 가속화되는 상황을 가정함. 2028년까지 AI 수요 모델의 AI 워크로드 비중을 30%~35% 증가시킴. 데이터센터 운영자 관련 주요 시사점 보고서에서 도출된 글로벌 데이터센터 수급 모델 업데이트가 특정 데이터센터 운영자에게 미치는 영향은 다음과 같음. Iron Mountain (IRM) IRM은 전 세계적으로 데이터센터 입지를 확장하고 있음. IRM의 데이터센터 사업은 전통적인 기록 정보 관리 사업을 보완하며 빠르게 성장 중임. 현재 약 ...